席嬋嬋 楊昌波 李駿 鄭偉光

摘要：為了使高級(jí)駕駛員輔助系統(tǒng)能夠更好的工作，進(jìn)而提高其安全性和舒適性，提出一種基于長(zhǎng)短期記憶（Long Short-term Memory，LSTM）網(wǎng)絡(luò)的駕駛意圖識(shí)別方法，能夠較為準(zhǔn)確地識(shí)別目標(biāo)車輛的駕駛意圖。該方法將踏板開(kāi)度和踏板開(kāi)度變化率輸入意圖識(shí)別網(wǎng)絡(luò)，并在意圖識(shí)別網(wǎng)絡(luò)中引入灰狼優(yōu)化算法（Grey Wolf Optimizer，GWO）對(duì)網(wǎng)絡(luò)參數(shù)進(jìn)行優(yōu)化，提高駕駛意圖識(shí)別性能。為了驗(yàn)證該方法的準(zhǔn)確性，基于數(shù)據(jù)集訓(xùn)練并評(píng)估模型，結(jié)果表明：所提方法對(duì)加速和制動(dòng)意圖識(shí)別的準(zhǔn)確率、召回率和[Flmacro]分?jǐn)?shù)分別為0.981、0.983和0.982，均優(yōu)于支持向量機(jī)（SVM）和普通的LSTM模型。

關(guān)鍵詞：駕駛意圖識(shí)別；長(zhǎng)短期記憶網(wǎng)絡(luò)；灰狼優(yōu)化算法

中圖分類號(hào)：U471 ?收稿日期：2023-03-08

DOI：10.19999/j.cnki.1004-0226.2023.07.005

1 前言

隨著汽車行業(yè)的不斷發(fā)展，各種汽車電子裝置、定位裝置、手機(jī)以及其他遠(yuǎn)程信息處理裝置的日益普及，司機(jī)的注意力也在被這些裝置不斷分散，繼而使汽車在行駛過(guò)程中的風(fēng)險(xiǎn)大大增加，因此，人們正在致力于自動(dòng)化駕駛輔助系統(tǒng)的研究，如使用駕駛員輔助系統(tǒng)（ADAS）的車道保持系統(tǒng)（LKS）和自適應(yīng)巡航系統(tǒng)（ACC）。但是，在不知道司機(jī)駕駛意圖的情況下，這些輔助系統(tǒng)和設(shè)備極容易誤導(dǎo)司機(jī)的駕駛決策，所以系統(tǒng)在接收到司機(jī)駕駛行為信息的同時(shí)，對(duì)于司機(jī)駕駛意圖的正確辨識(shí)是ADAS至關(guān)重要的一點(diǎn)。

目前，國(guó)內(nèi)外學(xué)者在駕駛意圖的識(shí)別方面已經(jīng)積累了一定經(jīng)驗(yàn)，以Pentland，Mizushima，Meyer-Delius等[1]為典型代表，使用隱馬爾科夫理論（Hidden Markov Method，HMM）對(duì)駕駛意圖展開(kāi)研究并得出了一些有益的研究成果，主要內(nèi)容是利用HMM模型從感觀數(shù)據(jù)中識(shí)別駕駛?cè)诵袨?，之后該模型可以通過(guò)汽車駕駛?cè)俗畛醯臏?zhǔn)備動(dòng)作中預(yù)測(cè)他們的后續(xù)動(dòng)作；馬晶晶[2]以實(shí)際交通環(huán)境參數(shù)和汽車運(yùn)行參數(shù)作為輸入，提出了一種偽二維隱馬爾科夫（P2D-CHMM）駕駛意圖辨識(shí)模型;王暢[3]則以實(shí)時(shí)在線辨識(shí)復(fù)合工況下的駕駛意圖為目標(biāo)，建立了用于駕駛員駕駛意圖辨識(shí)的雙層HMM模型。而根據(jù)模式識(shí)別理論，研究者可以將意圖識(shí)別問(wèn)題轉(zhuǎn)變?yōu)樘囟ǖ囊鈭D類型問(wèn)題，這一類型的方法又有神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、貝葉斯網(wǎng)絡(luò)等，例如曲代麗[4]以制動(dòng)踏板開(kāi)度及其變化率、制動(dòng)減速度作為參數(shù)，給出一種基于模糊神經(jīng)網(wǎng)絡(luò)的駕駛意圖識(shí)別方法；王慶年等[5]將駕駛意圖分為動(dòng)力模式和經(jīng)濟(jì)模式，提出了基于模糊神經(jīng)網(wǎng)絡(luò)的駕駛意圖識(shí)別模型；李慧等[6]通過(guò)采集分析自車加速踏板及其變化率，提出一種采用粒子群優(yōu)化支持向量機(jī)參數(shù)的駕駛意圖模型；麻婷婷等[7]提出一種以方向盤轉(zhuǎn)角、車輛速度、車輛與道路邊界的距離和駕駛?cè)搜鄄啃畔樘卣鲄?shù)的基于支持向量機(jī)駕駛員超車辨識(shí)模型；Song 等[8]利用驅(qū)動(dòng)模型對(duì)貝葉斯網(wǎng)絡(luò)進(jìn)行校準(zhǔn)和執(zhí)行，提出一種新型駕駛員模型與貝葉斯網(wǎng)絡(luò)結(jié)合的機(jī)動(dòng)變道算法對(duì)駕駛意圖進(jìn)行識(shí)別。隨著長(zhǎng)短期記憶網(wǎng)絡(luò)在語(yǔ)音識(shí)別、翻譯等領(lǐng)域取得一系列重大突破，有研究者開(kāi)始將其用在駕駛意圖識(shí)別方向，以季學(xué)武（LSTM）等團(tuán)隊(duì)[9-11]為代表，使用長(zhǎng)短期記憶（LSTM）網(wǎng)絡(luò)對(duì)駕駛員的換道意圖進(jìn)行識(shí)別，并且發(fā)現(xiàn)將意圖識(shí)別考慮在內(nèi)的軌跡預(yù)測(cè)模型能顯著提高軌跡預(yù)測(cè)精度。

本文提出一種基于長(zhǎng)短期記憶網(wǎng)絡(luò)（LSTM）的駕駛意圖辨識(shí)方法，并且通過(guò)灰狼算法（Grey Wolf Optimizer ，GWO）來(lái)優(yōu)化模型的網(wǎng)絡(luò)超參數(shù)，達(dá)到長(zhǎng)短期記憶網(wǎng)絡(luò)參數(shù)尋優(yōu)范圍的自整定。對(duì)比分析不同模型的分類效果，最終證實(shí)本文所提出的GWO-LSTM模型可獲得最優(yōu)辨識(shí)結(jié)果。

2 駕駛員駕駛意圖分析

在日常駕駛過(guò)程中，司機(jī)的駕駛意圖會(huì)受到由自車情況、路面條件和司機(jī)自身組成的人-車-路系統(tǒng)內(nèi)信息的影響。比如自車速度、加速度、加速踏板開(kāi)度、方向盤轉(zhuǎn)角等自車數(shù)據(jù)；路面摩擦阻力因數(shù)、自車至路面邊界的距離等路面環(huán)境信息；以及司機(jī)自身的一些信息，這些都可以作為判斷駕駛員駕駛意圖的特征參數(shù)，不過(guò)，如果采用太多的特征參數(shù)會(huì)增加模型訓(xùn)練難度、影響模型的預(yù)測(cè)準(zhǔn)確性。在正常情況下，踏板開(kāi)度大小可以反映司機(jī)駕駛意圖，但不能表示司機(jī)加速意圖和制動(dòng)意圖的緊急迫切程度，因此，我們不能夠單純地僅僅通過(guò)踏板開(kāi)度這一數(shù)據(jù)來(lái)實(shí)現(xiàn)精確的加速和制動(dòng)需求。

為了能夠得到更精確的駕駛意圖模型，本文選取加速踏板開(kāi)度a、制動(dòng)踏板開(kāi)度b和其踏板對(duì)應(yīng)的開(kāi)度變化率[da/dt]、[db/dt]這4個(gè)參數(shù)作為意圖識(shí)別模型的輸入量，利用智能算法對(duì)踏板數(shù)據(jù)進(jìn)行解析，并據(jù)加速、制動(dòng)意圖的快慢程度將其分為緩慢加速、一般加速、急加速[6]、緩慢制動(dòng)、一般制動(dòng)、緊急制動(dòng)6種駕駛意圖。

3 模型結(jié)構(gòu)

3.1 長(zhǎng)短期記憶網(wǎng)絡(luò)

LSTM模型利用細(xì)胞內(nèi)的自循環(huán)來(lái)實(shí)現(xiàn)固定參數(shù)下尺度上的動(dòng)態(tài)變化。汽車駕駛行為數(shù)據(jù)隱藏著與車輛駕駛行為有關(guān)的具備時(shí)間延續(xù)性的內(nèi)容，為了能達(dá)到良好的仿真結(jié)果，因此使用LSTM模型對(duì)意圖識(shí)別建模。LSTM網(wǎng)絡(luò)核心結(jié)構(gòu)如圖1所示。

LSTM網(wǎng)絡(luò)核心結(jié)構(gòu)圖是由若干個(gè)上圖中的細(xì)胞結(jié)構(gòu)組成，每個(gè)細(xì)胞結(jié)構(gòu)中有3個(gè)控制門：遺忘門、輸入門、輸出門。

遺忘門（forget gate）控制是否遺忘，公式為：

[ft=σwf?t?1，xt+bf] ????????????????????????（1）

式中，[σ]為sigmoid函數(shù)；[wf]為遺忘門權(quán)重；[?t?1]為t-1時(shí)刻的隱藏狀態(tài)；[xt]為輸入數(shù)據(jù)；[bf]為遺忘門的偏差。

輸入門（input gate）決定何種信息被更新到細(xì)胞狀態(tài)中，主要由兩部分組成，一部分輸出是it，另一部分輸出是at。公式為：

[it=σwi.?t?1，xt+bi] ???????????????????????（2）

[at=tanhwc.?t?1，xt+bc] ????????????????????（3）

式中，tanh為tanh函數(shù)；[wi]為輸入門權(quán)重；[wc]為即將更新到細(xì)胞狀態(tài)中的備選細(xì)胞狀態(tài)的信息；[?t?1]為t-1時(shí)刻的隱藏狀態(tài)；[xt]為輸入數(shù)據(jù)；[bi]為遺忘門的偏差；[bc]為備選細(xì)胞狀態(tài)偏差。則LSTM細(xì)胞狀態(tài)的更新過(guò)程為：

[ct=ft×ct?1+it×at] ??????????????????????????（4）

輸出門（output gate）對(duì)信息進(jìn)行選擇性輸出，并且在細(xì)胞狀態(tài)參與下進(jìn)行輸出，數(shù)學(xué)表達(dá)式為：

[ot=σw0?t?1，xt+b0] ??????????????????????????（5）

[?t=ot×tan?ct] ???????????????????????????（6）

式中，[ot]為輸出門的輸出；[w0]為輸出門的權(quán)重；[?t?1]為t-1時(shí)刻的隱藏狀態(tài)；[?t]為t時(shí)刻的隱藏狀態(tài)；[xt]為輸入數(shù)據(jù)；[b0]為備選細(xì)胞狀態(tài)的偏差。

3.2 灰狼優(yōu)化算法

灰狼優(yōu)化算法（Grey Wolf Optimizer）是一項(xiàng)模擬灰狼的社會(huì)等級(jí)制度和捕食行為而提出的全新集群智能優(yōu)化算法[12]。在灰狼族群中一共存在[α]、[β]、[δ]和w共4個(gè)社會(huì)等級(jí)，并由GWO算法建立了一個(gè)模型，該算法通過(guò)比較得到各個(gè)灰狼的社會(huì)等級(jí)來(lái)控制檢索方向，相比于其他群體智能算法，該優(yōu)化算法通過(guò)引入可變的收斂因子以及及時(shí)的信息反饋機(jī)制，可實(shí)現(xiàn)自我調(diào)節(jié)，進(jìn)而可以更好地提高算法的優(yōu)化效率。使用GWO在LSTM模型的參數(shù)尋優(yōu)中，當(dāng)尋優(yōu)范圍設(shè)置得當(dāng)時(shí)，會(huì)使模型具有更快的尋優(yōu)速度和較高的分類準(zhǔn)確率。

假設(shè)搜索空間是P維的，每只狼的位置是1個(gè)矢量[Xi=（Xi，1，Xi，2，…Xi，P）]，那么狼群X由N只灰狼組成[X={X1，X2，…XN}]?；依荹Xi]在更新位置時(shí)，首先要計(jì)算自己與最好的3只狼的距離，計(jì)算公式如下：

[Pα=C1Xα?Xit] ??????????????????????????（7）

[Pβ=C2Xβ?Xit] ???????????????????????????（8）

[Pδ=C3Xδ?Xit] ????????????????????????????（9）

[Ck=2r1，k=1，2，3] ???????????????????????（10）

式中，[Pα]、[Pβ]、[Pδ]分別代表灰狼[Xi]距離灰狼[α]、[β]、[δ]的位置；[Xit]為當(dāng)前灰狼位置；[C1]、[C2]、[C3]是隨機(jī)向量；[r1]∈[0，1]的隨機(jī)數(shù)。

求出[Xi]距[α]、[β]、[δ] 3只灰狼的距離后，[Xi]要向這3只灰狼靠攏，位置迭代公式如下：

[X'1=Xα?A1PαX'2=Xβ?A2PβX'3=Xδ?A3Pδ] ??????????????????????????（11）

[Ak=2ar2?a，k=1，2，3] ????????????????????（12）

[Xiter+1=X'1+X'2+X'33] ???????????????????（13）

式中，[X'1]、[X'2]、[X'3]分別是灰狼[Xi]要向[α]、[β]、[δ]方向移動(dòng)的矢量；[X（iter+1）]是最終位置；[r2]∈[0，1]；a為收斂因子，計(jì)算公式為[a=2?（l/lmax）]，[l]為迭代次數(shù)，[lmax]為最大迭代次數(shù)。我們可以發(fā)現(xiàn)，當(dāng)?shù)螖?shù)增加時(shí)，a的值會(huì)呈現(xiàn)出一種線性下降的趨勢(shì)，最終降至0。

4 構(gòu)建基于GWO-LSTM駕駛意圖識(shí)別模型

4.1 LSTM駕駛意圖識(shí)別網(wǎng)絡(luò)結(jié)構(gòu)

如圖2所示，本文采用LSTM網(wǎng)絡(luò)結(jié)構(gòu)來(lái)構(gòu)建駕駛意圖識(shí)別模型。被預(yù)測(cè)車輛自身特征的嵌入維度為4，分別為加速踏板開(kāi)度a和其開(kāi)度變化率[da/dt]以及制動(dòng)踏板開(kāi)度b和其開(kāi)度變化率[db/dt]，LSTM網(wǎng)絡(luò)的隱藏維度為6，它們分別為：緩慢加速、一般加速、急加速、緩慢制動(dòng)、一般制動(dòng)、緊急制動(dòng)6個(gè)駕駛意圖。在此基礎(chǔ)上，采用灰狼優(yōu)化算法對(duì)網(wǎng)絡(luò)參數(shù)進(jìn)行優(yōu)化。

4.2 基于灰狼優(yōu)化算法的LSTM駕駛意圖識(shí)別模型

一般的LSTM參數(shù)的確定和優(yōu)化是利用時(shí)序反向傳播（Back Propagation Through Time，BPTT）算法實(shí)現(xiàn)的，但是該算法存在統(tǒng)計(jì)復(fù)雜性較大、可能收斂于局部解的不足，而灰狼優(yōu)化算法則擁有全局收斂且收斂速度較高的特性。本文主要將GWO應(yīng)用于LSTM的參數(shù)優(yōu)化，同時(shí)將采用基于GWO的LSTM時(shí)間序列數(shù)據(jù)分類預(yù)測(cè)模型應(yīng)用于駕駛意圖辨識(shí)方向。該模型吸取了長(zhǎng)短期記憶網(wǎng)絡(luò)特有的擅于分析時(shí)序數(shù)據(jù)的特性，并通過(guò)GWO優(yōu)化方法確定網(wǎng)絡(luò)最優(yōu)參數(shù)，確保該模型能夠收斂于全局最優(yōu)。圖3為GWO算法優(yōu)化LSTM網(wǎng)絡(luò)的流程圖。

4.3 模型評(píng)價(jià)指標(biāo)

4.3.1 混淆矩陣

混淆矩陣又被稱之為誤差矩陣，是用來(lái)評(píng)價(jià)模型準(zhǔn)確度的一個(gè)基準(zhǔn)規(guī)格，用n行n列的矩陣形式表示?；煜仃嚾绫?所示。

我們從混淆矩陣中可以得出分析指標(biāo)：

a.精確率Precision：被正確預(yù)測(cè)的Positive樣本/被預(yù)測(cè)為Positive的樣本總數(shù)：

[Precision=TPTP+FP] ?????????????????????????（14）

b.召回率Recall：被正確預(yù)測(cè)的Positive樣本/真實(shí)值是Positive的樣本總數(shù)

[Recall=TPTP+FN] ???????????????????????（15）

c.[F1]分?jǐn)?shù)：Precision和Recall的調(diào)和平均值，[F1]值越大，模型越優(yōu)秀

[F1=2Precision·RecallPrecision+Recall] ????????????????????????（16）

d.對(duì)于多分類問(wèn)題，取宏平均[F1]分?jǐn)?shù)（[Flmacro]）作為綜合[F1]分?jǐn)?shù)，其表達(dá)式如下：

[Flmacro=1Kk=1KF1k] ???????????????????????????（17）

式中，K為意圖總數(shù)（本文有6種意圖，因此K=6），[F1k]為第k類意圖對(duì)應(yīng)的[F1]分?jǐn)?shù)。

4.3.2 ROC曲線

ROC的全稱是Receiver Operating Characteristic Curve，該曲線主要的分析方法是畫一條以假正類率（False Positive Rate，F(xiàn)PR）為橫坐標(biāo)，真正類率（True Positive Rate，TPR）為縱坐標(biāo)的工作特性曲線。通過(guò)混淆矩陣求解TPR和FPR的公式如下：

TPR：在實(shí)際為正類的總樣本中，被正確判斷為正類的比率。公式為：

[TPR=TPTP+FN] ??????????????????????????（18）

FPR：在實(shí)際為反類的總樣本中，被錯(cuò)誤判斷為正類的比率。公式為：

[FPR=FPFP+TN] ??????????????????????（19）

4.3.3 AUC面積

AUC面積指在ROC曲線下沿著橫軸做積分的得到的值即為AUC面積。ROC曲線一般在y=x的上方，因此AUC的取值一般在[0.5，1]。AUC值越大，模型的性能就會(huì)越好。

4.3.4 交叉熵?fù)p失

交叉熵?fù)p失指真實(shí)概率分布與預(yù)測(cè)概率分布的差異。一個(gè)分類模型交叉熵的值越小，該模型的分類預(yù)測(cè)效果就會(huì)越好。公式為：

[Loss=?ylogy'+1?ylog1?y'] ???????????（20）

5 模型訓(xùn)練

5.1 基于GWO優(yōu)化的LSTM模型訓(xùn)練

本文通過(guò)Matlab軟件進(jìn)行算法的訓(xùn)練及仿真檢驗(yàn)，具體實(shí)現(xiàn)過(guò)程如下：

a.載入數(shù)據(jù)及駕駛意圖的分類類別。

b.選定數(shù)據(jù)的訓(xùn)練集和測(cè)試集。

c.數(shù)據(jù)的歸一化處理；采用[0，1]區(qū)間歸一化方式，歸一化映射如下：

[f：x→y=x?xminxmax?xmin] ?????????????????????（21）

d.對(duì)GWO優(yōu)化算法參數(shù)進(jìn)行設(shè)置與初始化。

e.記錄最佳參數(shù)值。

f.根據(jù)最優(yōu)參數(shù)值建立LSTM駕駛意圖模型，最終得到駕駛意圖分類準(zhǔn)確率。

5.2 參數(shù)對(duì)比

本文是以支持向量機(jī)（SVM）作為基準(zhǔn)，將單一的LSTM模型以及經(jīng)過(guò)GWO優(yōu)化過(guò)的LSTM模型的訓(xùn)練結(jié)果進(jìn)行如下對(duì)比。如圖4所示，SVM模型的訓(xùn)練集預(yù)測(cè)意圖結(jié)果為79.89%，未優(yōu)化的LSTM模型的訓(xùn)練集預(yù)測(cè)意圖結(jié)果為80.08%，而經(jīng)過(guò)優(yōu)化的LSTM模型的準(zhǔn)確率達(dá)到99%，并且通過(guò)其混淆矩陣可以看出：標(biāo)簽1、3、4、5即緩慢加速、急加速、緩慢制動(dòng)、一般制動(dòng)4個(gè)駕駛意圖的訓(xùn)練結(jié)果都為100%，說(shuō)明該模型訓(xùn)練的較為精準(zhǔn)。

6 試驗(yàn)與結(jié)果分析

為了驗(yàn)證本文提出模型的準(zhǔn)確性，采用同一數(shù)據(jù)集，對(duì)比分析以下多個(gè)模型的相關(guān)性能指標(biāo)。

a.SVM模型，將目標(biāo)車輛在時(shí)刻t的狀態(tài)信息作為SVM的輸入，輸出該時(shí)刻的駕駛意圖。

b.LSTM模型，將目標(biāo)汽車過(guò)去[ti]時(shí)長(zhǎng)的特征序列輸入到LSTM網(wǎng)絡(luò)，特征包括a、b、[da/dt]、[db/dt]，利用Softmax函數(shù)計(jì)算出各個(gè)駕駛意圖概率。

c.GWO-LSTM模型，在LSTM模型的基礎(chǔ)上引入灰狼優(yōu)化算法（GWO）對(duì)LSTM的參數(shù)進(jìn)行優(yōu)化，得到GWO-LSTM模型。

對(duì)以上三個(gè)模型進(jìn)行訓(xùn)練，其性能指標(biāo)分析結(jié)果如表2所示。由表2可以看出，本文提出的GWO-LSTM駕駛意圖識(shí)別模型總體上優(yōu)于SVM模型和普通的LSTM模型。其中該模型駕駛意圖辨識(shí)結(jié)果的綜合準(zhǔn)確率、召回率以及綜合[F1]分?jǐn)?shù)分別為0.981、0.983和0.982，均有較大提升，并且該模型的交叉熵?fù)p失遠(yuǎn)低于對(duì)比基線模型，說(shuō)明所提模型能夠更好地辨識(shí)出汽車的駕駛意圖。

圖5是GWO-LSTM模型的混淆矩陣，從圖中可以得知，本文提出的駕駛意圖辨識(shí)模型對(duì)緩慢加速、一般加速、急加速、緩慢制動(dòng)、一般制動(dòng)和緊急制動(dòng)6種意圖的識(shí)別準(zhǔn)確率都在97%左右，具有較優(yōu)的性能。

圖6為SVM、LSTM、GWO-LSTM三個(gè)駕駛意圖辨識(shí)模型的宏觀ROC曲線，從該圖可得出：基于SVM的意圖識(shí)別模型與LSTM模型中的AUC值分別為0.83、0.90，而本文給出的GWO-LSTM模型的AUC值為0.98，相比于前兩者而言，該模型具有更高的意圖辨識(shí)能力。

7 結(jié)語(yǔ)

a.選取加速踏板開(kāi)度a和其開(kāi)度變化率[da/dt]，以及制動(dòng)踏板開(kāi)度b和其開(kāi)度變化率[db/dt]用于加速意圖和制動(dòng)意圖識(shí)別的參數(shù)，并將加速意圖和制動(dòng)意圖按照緊急程度劃分為6種類別。

b.構(gòu)建了基于GWO-LSTM的駕駛意圖辨識(shí)模型，從測(cè)試結(jié)果可以看出，該模型在準(zhǔn)確率、宏觀[F1]值以及測(cè)試集誤差等指標(biāo)上明顯優(yōu)于基線模型SVM和普通的LSTM模型，辨識(shí)結(jié)果準(zhǔn)確可靠。

c.該分類模型有助于后續(xù)更好的研究和開(kāi)發(fā)汽車驅(qū)動(dòng)控制策略，為改善汽車的操縱性和安全性打下基礎(chǔ)。

參考文獻(xiàn)：

[1]A.Pentland，A.Liu，Modeling and prediction of human behavior. Neural Computation，1999（11）：229–242.

[2]馬晶晶.基于隱馬爾可夫理論的駕駛意圖辨識(shí)研究[D].長(zhǎng)沙：長(zhǎng)沙理工大學(xué)，2012.

[3]王暢.基于隱形馬爾科夫模型的駕駛員意圖辨識(shí)方法研究[D].長(zhǎng)春：吉林大學(xué)，2011.

[4]曲代麗.基于模糊神經(jīng)網(wǎng)絡(luò)的駕駛員制動(dòng)意圖辨識(shí)技術(shù)研究[D].長(zhǎng)春：長(zhǎng)春工業(yè)大學(xué)，2016.

[5]王慶年，唐先智，王鵬宇，等.基于駕駛意圖識(shí)別的混合動(dòng)力汽車控制策略[J].吉林大學(xué)學(xué)報(bào)（工學(xué)版），2012，42（4）：789-795.

[6]李慧，李曉東，宿曉曦.一種優(yōu)化參數(shù)的支持向量機(jī)駕駛意圖識(shí)別[J].實(shí)驗(yàn)室研究與探索，2018，37（2）：35-39.

[7]麻婷婷，涂孝軍，朱偉達(dá).基于支持向量機(jī)的駕駛員超車意圖識(shí)別[J].上海工程技術(shù)大學(xué)學(xué)報(bào)，2016，30（3）：203-208.

[8]Song Ruitao.Driver intention prediction using model-added Bayesian network[J].Proceedings of the Institution of Mechanical Engineers，2021，235（5）：1236-1244.

[9]季學(xué)武，費(fèi)聰，何祥坤，等.基于LSTM網(wǎng)絡(luò)的駕駛意圖識(shí)別及車輛軌跡預(yù)測(cè)[J].中國(guó)公路學(xué)報(bào)，2019，32（6）：34-42.

[10]梁凡.基于LSTM網(wǎng)絡(luò)的自動(dòng)駕駛意圖識(shí)別研究[D].烏魯木齊：新疆大學(xué)，2020.

[11]宋曉琳，曾艷兵，曹昊天，等.基于長(zhǎng)短期記憶網(wǎng)絡(luò)的換道意圖識(shí)別方法[J].中國(guó)公路學(xué)報(bào)，2021，34（11）：236-245.

[12]王書芹，華鋼，郝國(guó)生，等.基于灰狼優(yōu)化算法的長(zhǎng)短期記憶網(wǎng)絡(luò)在時(shí)間序列預(yù)測(cè)中的應(yīng)用[J].中國(guó)科技，2017，12（20）：2309-2314.

作者簡(jiǎn)介：

席嬋嬋，女，1997年生，碩士，研究方向?yàn)槠嚹芰抗芾怼?/p>

楊昌波（通訊作者），男，1972年生，高級(jí)工程師，研究方向?yàn)槠囋O(shè)計(jì)制造。